圖數(shù)據(jù)模型及其在疫情追溯領(lǐng)域的應(yīng)用研究

沈 陽，李洪磊，陳 杰

（遼寧師范大學(xué)政府管理學(xué)院，遼寧大連 116029）

0 引言

2019 年年末新型冠狀病毒肺炎蔓延的范圍和擴(kuò)散速度對全球經(jīng)濟(jì)發(fā)展和社會穩(wěn)定產(chǎn)生了嚴(yán)重影響，成為自20世紀(jì)初“西班牙流感”大流行以來的重大疫情事件。在中共中央、國務(wù)院“科學(xué)防控，精準(zhǔn)施控”要求指導(dǎo)下，我國政府積極綜合運(yùn)用網(wǎng)格管理、大數(shù)據(jù)技術(shù)、快速核酸檢測等技術(shù)手段，有效遏制了疫情蔓延和零星小范圍疫情反復(fù)，為全球提供了“中國方案”。

在疫情防控過程中，以大數(shù)據(jù)技術(shù)為支撐的疫情追溯發(fā)揮了重要作用，使防控部門能夠在最短時(shí)間內(nèi)鎖定高風(fēng)險(xiǎn)人群和地區(qū)，將疫情有效控制在最小范圍之內(nèi)。伴隨著移動通訊和大數(shù)據(jù)技術(shù)特征的現(xiàn)代信息技術(shù)升級，疫情防控部門對病例行蹤軌跡挖掘更加細(xì)致，但是疫情傳播過程的動態(tài)性和復(fù)雜性導(dǎo)致疫情傳播數(shù)據(jù)的高維性、碎片化以及高關(guān)聯(lián)性，傳統(tǒng)的關(guān)系型數(shù)據(jù)模型并不適合表達(dá)此類數(shù)據(jù)類型，并且在追溯查詢方面性能較差。基于以上原因，本文提出一種基于圖數(shù)據(jù)模型（Graph Data Model）的疫情追溯數(shù)據(jù)模型，借助NEO4J 圖數(shù)據(jù)庫建立一個基于該數(shù)據(jù)模型的疫情追溯數(shù)據(jù)庫，提出相應(yīng)的數(shù)據(jù)操縱及疫情追溯算法。本研究可根據(jù)人員行蹤數(shù)據(jù)構(gòu)建病例的行程路線圖，再添加時(shí)間、交通工具、地點(diǎn)等信息形成傳播關(guān)系網(wǎng)，為疫情相關(guān)的流行病學(xué)追溯問題提供幫助，同時(shí)也為后續(xù)疫情的防控和預(yù)防工作提供決策支持。本文實(shí)驗(yàn)數(shù)據(jù)來自于權(quán)威部門公布的2020 年國內(nèi)部分地區(qū)疫情防控?cái)?shù)據(jù)。

1 相關(guān)研究

數(shù)據(jù)庫的相關(guān)技術(shù)誕生于20 世紀(jì)60 年代，截至目前已經(jīng)歷了60 年的發(fā)展歷程。數(shù)據(jù)庫發(fā)展經(jīng)歷了3 個重要階段：①以層次性數(shù)據(jù)庫和網(wǎng)狀數(shù)據(jù)庫為主的第一代數(shù)據(jù)庫系統(tǒng)；②以關(guān)系型數(shù)據(jù)庫為主的第二代數(shù)據(jù)庫系統(tǒng)；③正在發(fā)展的圖數(shù)據(jù)庫系統(tǒng)以及面向?qū)ο蟮臄?shù)據(jù)庫、基于文檔的數(shù)據(jù)庫系統(tǒng)等。關(guān)系型數(shù)據(jù)庫模型是目前應(yīng)用最廣泛的數(shù)據(jù)庫，在流行病調(diào)查及防控領(lǐng)域使用較多。韓金祥［1］建立與研究了罕見流行病臨床數(shù)據(jù)庫；李永利等［2］基于SQL Server 數(shù)據(jù)庫建立新突發(fā)傳染病信息數(shù)據(jù)庫系統(tǒng)；李澤庚等［3］根據(jù)急、慢性流行病傳染病臨床經(jīng)驗(yàn)所構(gòu)建的流行病傳染病數(shù)據(jù)庫；青義春等［4］使用Oracle 大型數(shù)據(jù)庫系統(tǒng)以及C 語言構(gòu)建的傳染病信息管理系統(tǒng)；姜華等［5］使用Oracle 大型數(shù)據(jù)庫構(gòu)建遠(yuǎn)程數(shù)字化診斷平臺，對口岸進(jìn)行實(shí)時(shí)診斷和監(jiān)控；王秀華［6］基于SEER 數(shù)據(jù)庫對甲狀腺末分化癌的臨床監(jiān)測數(shù)據(jù)檢測和病理學(xué)分析；宋敏等［7］以傳染病臨床數(shù)據(jù)庫為基礎(chǔ)建立的傳染病信息管理系統(tǒng)等。

圖數(shù)據(jù)模型及圖數(shù)據(jù)庫在處理復(fù)雜數(shù)據(jù)聯(lián)系和表達(dá)非結(jié)構(gòu)化數(shù)據(jù)方面具有優(yōu)勢，在醫(yī)學(xué)領(lǐng)域發(fā)揮著積極作用。吳思竹等［8］構(gòu)建以疾病為中心的中文疾病圖數(shù)據(jù)庫，能更好實(shí)現(xiàn)對疾病之間關(guān)系的探索；盛明等［9］基于已有臨床醫(yī)學(xué)知識建立電子病歷的圖數(shù)據(jù)庫擴(kuò)展系統(tǒng)，可作為尋診系統(tǒng)的重要組成部分；趙凱等［10］提出一種基于《傷寒論》桂枝湯類方的小型圖數(shù)據(jù)庫，對桂枝湯類方診斷、配方、開藥進(jìn)行可視化分析和檢索；林燕榕等［11］基于腎病?？齐娮硬v構(gòu)建腎病圖醫(yī)學(xué)數(shù)據(jù)庫，為醫(yī)生提供臨床決策輔助以提升醫(yī)療服務(wù)的質(zhì)量。

除此之外，圖數(shù)據(jù)庫作為一種以圖為基礎(chǔ)的數(shù)據(jù)庫模型，在社交關(guān)系排查方面發(fā)揮著重要作用。如丁洪麗［12］提出基于人員信息、話單和出行信息形成圖數(shù)據(jù)庫，在排查人物重點(diǎn)關(guān)系上與傳統(tǒng)關(guān)系型數(shù)據(jù)庫相比，查詢速度達(dá)后者5 倍；黃冰倩等［13］認(rèn)為基于圖數(shù)據(jù)庫的話單數(shù)據(jù)分析有助于警方尋找嫌疑人和其行動軌跡；祁爍［14］根據(jù)人員社交關(guān)系構(gòu)建圖數(shù)據(jù)庫用于對違法犯罪人員進(jìn)行預(yù)測，對于公安辦案人員合理分配警力、提高出警效率很有幫助。

綜上所述，數(shù)據(jù)庫模型用于傳染病學(xué)調(diào)查和傳染病臨床信息數(shù)據(jù)庫構(gòu)建是可行的，對醫(yī)務(wù)工作者更有效利用已有數(shù)據(jù)信息進(jìn)行傳染病學(xué)分析提供信息技術(shù)支持。圖數(shù)據(jù)庫上，一方面基于臨床數(shù)據(jù)、電子病歷等構(gòu)建的圖數(shù)據(jù)庫，在為醫(yī)護(hù)人員提供信息支持同時(shí)還提升了檢索效率，增加了可視化查詢路徑等決策輔助，進(jìn)一步提升了醫(yī)療服務(wù)質(zhì)量；另一方面，圖數(shù)據(jù)應(yīng)用領(lǐng)域還拓展到社交關(guān)系網(wǎng)絡(luò)的構(gòu)建和查詢上，這一點(diǎn)正是基于圖數(shù)據(jù)庫的非關(guān)系型數(shù)據(jù)表達(dá)和清晰可視化所達(dá)成的。但是在目前數(shù)據(jù)庫研究和應(yīng)用中，涉及到傳染病學(xué)調(diào)查多以傳染病數(shù)據(jù)分析、構(gòu)建傳染病學(xué)數(shù)據(jù)庫為主，對流行病傳染病的追溯和傳播關(guān)系網(wǎng)等涉及較少。由此本文希望將圖數(shù)據(jù)應(yīng)用優(yōu)勢結(jié)合起來，可根據(jù)行蹤數(shù)據(jù)構(gòu)建病例的行程網(wǎng)圖，再添加時(shí)間、交通工具、地點(diǎn)等信息形成傳播關(guān)系圖，為疫情相關(guān)流行病學(xué)追溯提供幫助，同時(shí)為后續(xù)疫情防控和預(yù)防工作提供指導(dǎo)意見。

2 圖數(shù)據(jù)模型

圖數(shù)據(jù)模型（Graph Data Model）是一種以圖結(jié)構(gòu)進(jìn)行存儲和表達(dá)的數(shù)據(jù)模型，知識圖譜和圖數(shù)據(jù)是圖數(shù)據(jù)模型的主要表現(xiàn)形式。圖數(shù)據(jù)模型基本結(jié)構(gòu)由實(shí)體結(jié)點(diǎn)還有連接節(jié)點(diǎn)之間的邊（或稱之為關(guān)系）組成，通過邊將各個點(diǎn)連接起來形成網(wǎng)狀圖，由此進(jìn)行快速的圖檢索操作。圖數(shù)據(jù)模型相關(guān)產(chǎn)品最早由美國谷歌公司在2012 年提出并首次使用在其網(wǎng)站關(guān)聯(lián)搜索上，其目的是希望通過數(shù)據(jù)之間的聯(lián)系提升網(wǎng)站在搜索引擎上的表現(xiàn)。圖數(shù)據(jù)庫設(shè)計(jì)解決難以在關(guān)系系統(tǒng)中建模的復(fù)雜層次結(jié)構(gòu)問題。圖數(shù)據(jù)模型與20 世紀(jì)70 年代的網(wǎng)狀模型相似，都表示一般的圖，但是網(wǎng)絡(luò)模型數(shù)據(jù)庫在較低的抽象層次上運(yùn)行，不能輕松遍歷一系列數(shù)據(jù)聯(lián)系。目前，圖數(shù)據(jù)庫是發(fā)展速度最快的數(shù)據(jù)庫技術(shù)，能夠克服層次型、網(wǎng)狀型、關(guān)系型數(shù)據(jù)庫在處理復(fù)雜數(shù)據(jù)聯(lián)系方面的諸多困難。

基于NEO4J 的圖數(shù)據(jù)庫是目前圖數(shù)據(jù)庫技術(shù)中最為常用的一種，功能最完善、發(fā)展最快。以NEO4J 圖數(shù)據(jù)庫為例，NEO4J 圖數(shù)據(jù)庫具有以下特點(diǎn)：①圖數(shù)據(jù)庫更易于信息可視化，節(jié)點(diǎn)和邊所表示的信息更接近現(xiàn)實(shí)世界的實(shí)體聯(lián)系；②圖數(shù)據(jù)庫中的點(diǎn)和邊更新靈活，動態(tài)數(shù)據(jù)庫模式易于數(shù)據(jù)庫拓展和更新，便于適應(yīng)數(shù)據(jù)的動態(tài)變化；③圖數(shù)據(jù)庫檢索響應(yīng)時(shí)間迅速，這一特點(diǎn)在數(shù)據(jù)量大信息挖掘?qū)訑?shù)深時(shí)表現(xiàn)更為明顯；④可以完全兼容ACID圖數(shù)據(jù)庫，便于處理復(fù)雜關(guān)系。

基于NEO4J 圖數(shù)據(jù)庫高兼容性、靈活性、高性能特點(diǎn)，在處理非結(jié)構(gòu)化占比較高、數(shù)據(jù)量不斷增長的疫情數(shù)據(jù)時(shí)，選擇使用NEO4J 圖數(shù)據(jù)庫技術(shù)構(gòu)建本文的疫情數(shù)據(jù)圖數(shù)據(jù)模型能取得較好效果。

3 疫情追溯圖數(shù)據(jù)模型構(gòu)建

圖數(shù)據(jù)模型擅于查找和發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)系，本研究希望借助NEO4J 圖數(shù)據(jù)庫建立一個基于該數(shù)據(jù)模型的、能夠用于快速確定疫情確診病例和區(qū)域范圍的疫情追溯數(shù)據(jù)庫，為疫情相關(guān)的流行病學(xué)追溯提供幫助，為后續(xù)疫情的防控和預(yù)防工作提供決策支持。根據(jù)最新信息實(shí)時(shí)更新數(shù)據(jù)庫、快速精準(zhǔn)查詢病患及其出行事件，同時(shí)在一個指定中心和“步長”的區(qū)域內(nèi)進(jìn)行疫情回溯。

3.1 原始數(shù)據(jù)與清洗

本文數(shù)據(jù)全部來自大連市衛(wèi)生健康委員會2020 年7月22 日至8 月13 日（此后連續(xù)14 日無新增確診病例）所公布的信息，包含在大連“7.22”疫情復(fù)發(fā)事件中核酸檢測結(jié)果為陽性的病例共計(jì)92 人。數(shù)據(jù)內(nèi)容包括病患的姓名、年齡、性別、職業(yè)、家庭住址、確診日期、確診前3～7 日內(nèi)的行動軌跡信息。由于獲取的數(shù)據(jù)以半結(jié)構(gòu)化信息和文本內(nèi)容居多，本研究采用分詞的方式將所需信息提取出來形成結(jié)構(gòu)化數(shù)據(jù)，為后續(xù)抽取實(shí)體形成圖數(shù)據(jù)做前期準(zhǔn)備。

3.2 實(shí)體含義

將所獲得的原始數(shù)據(jù)進(jìn)行初步分詞和清洗之后，對數(shù)據(jù)進(jìn)行實(shí)體抽取，并在獲得實(shí)體記錄之后建立關(guān)系記錄。實(shí)體記錄和關(guān)系記錄如表1、表2 所示。

Table 1 The entity record表1 實(shí)體記錄

Table 2 The relationship record表2 關(guān)系記錄

根據(jù)抽取出的實(shí)體進(jìn)行分類，得到兩種主要實(shí)體：病患和地點(diǎn)。病患表示所有在本次大連疫情復(fù)發(fā)事件中感染新冠肺炎的病人，設(shè)置唯一標(biāo)識ID，在病患信息中包括姓名、年齡、性別、職業(yè)、家庭住址。地點(diǎn)指感染了新冠肺炎的病例確診前3～7 日內(nèi)去過的地點(diǎn)，設(shè)置唯一標(biāo)識Place_ID。根據(jù)國家衛(wèi)生健康委發(fā)布的規(guī)定，新冠肺炎平均潛伏期為7 天。

根據(jù)本文抽取出的關(guān)系得到兩種主要關(guān)系：①Rel；②trace。關(guān)系Rel 表示病患節(jié)點(diǎn)和地點(diǎn)節(jié)點(diǎn)之間的聯(lián)系，代表這個病患曾經(jīng)去到過的地方，填充內(nèi)容為relation；關(guān)系trace 表示地點(diǎn)節(jié)點(diǎn)之間的聯(lián)系，代表一個出行事件，每個出行事件包括出行人、出行時(shí)間、使用的交通方式。

3.3 模型構(gòu)建

圖數(shù)據(jù)庫作為一種基于圖形成的數(shù)據(jù)庫模型，其基本組成元素為抽取出的實(shí)體所表示的節(jié)點(diǎn)和連接節(jié)點(diǎn)與節(jié)點(diǎn)之間的邊，根據(jù)原始數(shù)據(jù)中抽取出的實(shí)體記錄和關(guān)系記錄構(gòu)建出如圖1 所示的模型。

這一數(shù)據(jù)模型可簡潔表示為“某人在何時(shí)何地用什么樣的交通方式去了哪里，以及所用時(shí)長”這一出行事件，本文的圖數(shù)據(jù)庫就是基于這一簡單結(jié)構(gòu)構(gòu)成的。

4 模型在疫情追溯中的應(yīng)用

將全部實(shí)體記錄和關(guān)系記錄錄入模型系統(tǒng)得到一個實(shí)體總量超過200 個、關(guān)系數(shù)量超過600 條的圖數(shù)據(jù)結(jié)構(gòu)?；贜EO4J 的圖數(shù)據(jù)庫環(huán)境建立該數(shù)據(jù)庫。NEO4J 作為一款典型NoSQL數(shù)據(jù)庫產(chǎn)品，有獨(dú)特的查詢和編碼語言Cypher，本文使用該語言完成病患行蹤數(shù)據(jù)庫的建立，并完成相關(guān)數(shù)據(jù)庫操作，使該圖數(shù)據(jù)庫能夠基于病患行蹤信息進(jìn)行查詢、分析研究。根據(jù)已有信息構(gòu)建的圖數(shù)據(jù)如圖2所示。

Fig.1 Patient travel map data model圖1 圖數(shù)據(jù)模型病患信息模型

參照流行病學(xué)和傳染病調(diào)查流程和疫情防控期間大連市衛(wèi)健委提出的相關(guān)措施，將傳染病調(diào)查與社交網(wǎng)絡(luò)關(guān)系追溯相結(jié)合進(jìn)行回溯查詢，本文在該圖數(shù)據(jù)庫系統(tǒng)上成功實(shí)現(xiàn)以下3 個核心功能：數(shù)據(jù)更新功能、數(shù)據(jù)查詢功能以及回溯功能。

Fig.2 Patient travel map data圖2 病患出行圖數(shù)據(jù)庫

4.1 數(shù)據(jù)更新

為使該模型能充分映射現(xiàn)實(shí)世界中的真實(shí)情況，對原有數(shù)據(jù)記錄進(jìn)行增減修改，修改的內(nèi)容包括節(jié)點(diǎn)記錄和關(guān)系記錄。例如隨著調(diào)查的深入，發(fā)現(xiàn)某病患去過的地點(diǎn)數(shù)量不相符，就涉及到地點(diǎn)節(jié)點(diǎn)數(shù)量的增減；如果大連地區(qū)的疫情蔓延情況未有效控制，那么病患節(jié)點(diǎn)的數(shù)量也會隨之變化。

功能1：節(jié)點(diǎn)增加

create（a：patient｛name：“丙”，id=“03”｝），（a：patient｛name：“丁”，id=“04”｝）return a；

create（a：place｛name：“地點(diǎn)3”，place_ID=“003”｝）re?turn b；

增加3 個節(jié)點(diǎn)，用時(shí)1ms

功能2：病患和地點(diǎn)節(jié)點(diǎn)刪除

MATCH（a：patient）where a.name=“丁”delete a

MATCH（b：place）where b.name=“地點(diǎn)3”delete a

刪除兩個節(jié)點(diǎn)，用時(shí)2ms

功能3：關(guān)系增加

MATCH（a：patient），（b：place）

WHERE a.name=“丙”AND b.name=“地點(diǎn)2”

CREATE（a）-［r：Rel］-＞（b）RETURN r

增加1 條關(guān)系，用時(shí)2ms

4.2 模型查詢

在疫情防控及流行病學(xué)調(diào)查相關(guān)工作中，對某一重點(diǎn)地區(qū)和重點(diǎn)人物的精準(zhǔn)查詢是一個必要功能，并且在“疫情就是命令”要求下，需要系統(tǒng)給出準(zhǔn)確快速的反饋，這對相關(guān)人員及時(shí)做出防控決策和判斷有很大幫助。圖數(shù)據(jù)查詢主要根據(jù)節(jié)點(diǎn)屬性和關(guān)系屬性進(jìn)行查找。模型查詢功能包括以下內(nèi)容：

功能1：節(jié)點(diǎn)查詢

MATCH（a：patient）WHERE a.name=“石某”RETURN a

查詢1 個節(jié)點(diǎn)，用時(shí)1ms

功能2：關(guān)系查詢

研究發(fā)現(xiàn)，僅單純找出病患或者地點(diǎn)的節(jié)點(diǎn)信息是不夠的，還需要進(jìn)一步查找發(fā)生出行事件的地點(diǎn)合集，才能對這名病患的整體出行事件有一個整體了解，幫助劃定防控范圍。如圖3 所示：當(dāng)需要搜尋與病患id=2 的患者及與其相關(guān)的全部出行事件時(shí)，找到18 個地點(diǎn)共計(jì)47 條關(guān)系，查詢用時(shí)2ms。醫(yī)護(hù)人員重點(diǎn)查詢某一條出行事件如大連灣車站至莊河汽車站，可以看到具體時(shí)間、交通工具等行程內(nèi)容，這對進(jìn)一步掌握病患的出行信息、劃定重點(diǎn)人群范圍有重大作用。

Fig.3 Querying patient trail node relationship圖3 病患信息圖數(shù)據(jù)庫節(jié)點(diǎn)關(guān)系查詢

Fig.4 Querying patient trail case圖4 病患信息圖數(shù)據(jù)庫出行事件查詢

4.3 追溯功能

在傳統(tǒng)關(guān)系型數(shù)據(jù)庫技術(shù)背景下，尋找朋友的朋友、課程的前導(dǎo)課等類似問題不是那么容易，同理這些困難也在處理如疫情的傳播鏈?zhǔn)崂?、上層傳染者或是傳染地點(diǎn)甚至再上一層傳染者查找時(shí)出現(xiàn)，要解決這一難題必然涉及到遍歷數(shù)據(jù)庫、跨表查詢和引用鍵值等操作，但對單一關(guān)系的查詢往往不足以滿足社交關(guān)系排查要求，且操作所花費(fèi)時(shí)間成本和運(yùn)行成本較高。對于需要及時(shí)反饋信息的疫情顯然需要更高效的方法。

挖掘數(shù)據(jù)之間關(guān)系是圖數(shù)據(jù)庫相較其他數(shù)據(jù)庫模型的優(yōu)秀之處，基于圖形成的圖數(shù)據(jù)庫可以通過自身的圖結(jié)構(gòu)清晰顯示兩節(jié)點(diǎn)之間的關(guān)系。

如圖5 所示，在所有病患去過的地點(diǎn)中，以大連灣地鐵站為圓點(diǎn)，以一次出行事件為一個步長，兩個步長范圍包括全部地點(diǎn)。根據(jù)出行時(shí)間判斷該病患者在該區(qū)域是否留下感染病菌，以便醫(yī)務(wù)人員對某個時(shí)間段內(nèi)曾經(jīng)去過該地區(qū)的人員進(jìn)一步排查，同時(shí)對重點(diǎn)區(qū)域進(jìn)行防控和消毒處理。

若當(dāng)前的步長無法得到滿意結(jié)果，可以進(jìn)一步增加步長范圍。

Fig.5 Backtracking range with“Dalian Bay Station" step size of 2圖5 以”大連灣站“為中心步長為2 的回溯區(qū)域

5 結(jié)語

本文通過構(gòu)建基于病患行蹤信息形成的NEO4J 圖數(shù)據(jù)模型，以大連地區(qū)2020 年7 月22 日至8 月13 日期間疫情復(fù)發(fā)數(shù)據(jù)為例，建立一個節(jié)點(diǎn)總數(shù)超過200 個、關(guān)系數(shù)量超過600 條的圖數(shù)據(jù)庫，使用NEO4J 數(shù)據(jù)庫技術(shù)和Cypher數(shù)據(jù)庫語言建立該數(shù)據(jù)庫模型。本文構(gòu)建一個與現(xiàn)實(shí)情況相符合的病患行蹤數(shù)據(jù)庫，重點(diǎn)對病患查詢、高風(fēng)險(xiǎn)地點(diǎn)排查、傳播范圍劃定等問題進(jìn)行分析研究。但本文對于疫情預(yù)防、不予發(fā)布的密切接觸人員信息等情況未進(jìn)行全面考慮，將在后續(xù)系統(tǒng)更新中進(jìn)一步改進(jìn)?；趫D數(shù)據(jù)庫進(jìn)行疫情防控和管理能夠?yàn)獒t(yī)務(wù)人員和防疫機(jī)構(gòu)提供決策支持。